嵌套网络模型下的相似图像检索方法 倪翠.pdf

: .
ֻ40ज ֻ3௹ feature
channel of the image, thus suppressing the processing time of those invalid features. Exper-
imental results show that the algorithm can strengthen the transmission of effective image
features and improve the accuracy of image researching results effectively.
Keywords: dense convolutional network (DenseNet), squeezing-and-excitation network
收稿日期：2021-05-12
基金项目：国家自然科学基金青年基金（）；山东省重点研发计划基金（）；山东省科学
院科教产融合创新试点工程项目基金（-GH05）资助
通信作者：倪翠，副教授，研究方向为数字图像处理。E-mail: ******@ 3 期 倪翠，等：嵌套网络模型下的相似图像检索方法 401
(SENet), nesting, suppress invalid feature, image retrieval
相似图像检索是计算机视觉中一个重要的图像处理方向，其主要过程是提取待检索图
像和已有图像集的内容特征，然后对两部分图像的特征分别进行向量化处理，通过相似度度
量比较两部分的特征向量，从而在已有图像集中自动搜索到与待检索图像相似度较高的图
像集 [1-2]。
已有的相似图像检索方法包括：基于内容的检索方法、基于颜色特征的检索方法、基于纹
理特征的检索方法 [3]、哈希差值检测方法 [4-7] 以及基于深度学习的检索方法。近年来，深度
学习技术在图像分类、目标识别、图像检索等领域的研究取得了显著的成果，其中基于卷积神
经网络的图像特征提取为图像检索提供了有效的描述对象 [8]。
本文将压缩和激励网络（squeeze-and-excitation network, SENet）嵌入到深度学习领域
原有的稠密卷积网络中，优化原神经网络结构。实验结果表明，该算法能够有效提高相似图像
检索结果的准确率，且适用于多种类型的图像数据集。
1 图像检索方法介绍
图像差值哈希检索算法
图像差值哈希（difference hash, Dhash）算法是一种针对像素灰度值的相似度计算方法，
该方法通过散列映射的方式对每个像素点进行运算，从而得到图像相似度矩阵，自动搜索与
待检索图像相似的图像集。主要步骤如下：
步骤 1 计算图像中每个像素点与其右侧相邻的像素点的差值，可以获得该图像的差异
矩阵。
步骤 2 采用散列映射方式计算图像的哈希值，生成该图像的哈希矩阵。
步骤 3 对比待检索图像与已有图像集中每幅图像的哈希值，求出待检索图像与已有图
像集中每幅图像的相似度。通过设定合适的阈值，自动获取符合条件的相似图像集。
图 1 为 Dhash 算法提取图像哈希值的示意图。为了减少计算量，该算法通常将图像的尺
寸缩小到 8 × 9，但其缺点是：1）图像哈希值的数量减少，导致不能从图像的局部细节区域自
动查找与其相似的其他图像；2）从检索时间和准确度的角度来看，该算法的图像检索准确度
较低。
图 1 Dhash 算法提取哈希值的过程
Figure 1 Process of extracting hash value for Dhash algorithm402 应 用 科 学 学 报